南京林业大学金小俊副教授团队——双模型解耦:精准杂草识别新范式 | MDPI Agronomy

点击左上角“MDPI生物与生命科学”关注我们，为您推送更多最新研究。

作者在文中提出了一种双模型解耦的杂草识别方法。该方法以大白菜为研究对象，采用“作物先识别、杂草间接检出”的技术路线，即首先利用深度学习分割模型对作物区域进行精确分割，仅识别作物本身；随后将作物区域从原始图像中剔除，使剩余区域仅包含杂草和背景信息，从而降低后续识别任务的复杂度。在此基础上，作者将传统依赖多物种逐类标注的杂草识别问题，重构为“单一作物精确分割+作物剔除后植被判别”两个相对稳定、可控的子任务，并进一步将处理后的图像划分为与喷头覆盖范围一致的规则网格。针对每一个网格，作者构建了独立的分类模型，对背景、阔叶杂草和禾本科杂草进行判别，使视觉识别结果能够直接对应喷头的开关决策，为精准喷施提供可执行的决策输入。

分类网络训练集中背景、阔叶杂草和禾本科杂草样本示例

为了验证该双模型解耦方法在真实田间环境下的有效性，作者分别构建了作物分割数据集和网格级杂草分类数据集。实验结果表明，所提出的轻量化作物分割模型在模型体积显著减小的情况下，仍保持了较高的分割精度，其在测试集上的Mask mAP50达到98.3%，模型规模仅为2.6 MB。在杂草分类阶段，相较于未去除作物区域的直接分类方式，分割辅助策略显著提升了识别性能：阔叶杂草的F1值由89.4%提升至91.1%，禾本科杂草的F1值由90.4%提升至92.2%，背景类别的F1值达到95.1%。在推理效率方面，分割模型和分类模型的单图推理时间分别为6.4 ms和6.7 ms，两阶段总推理时间约13.1 ms，满足实时应用需求。通过该方法，作者实现了杂草识别结果从像素或目标层面向喷头决策单元的直接映射，有效打通了视觉感知与喷施执行之间的工程链路。

黑色区域为分割并剔除的作物区域，蓝色和绿色网格分别表示禾本科杂草和阔叶杂草，对应喷头喷施区域。

本文提出了一种面向田间复杂环境的双模型解耦杂草识别方法，并在真实大田数据上对其有效性进行了系统验证。该方法通过将作物分割与杂草识别任务解耦，显著降低了对多物种杂草精细标注数据的依赖，避免了传统直接杂草识别方法在复杂背景和多样杂草条件下面临的泛化困难。实验结果表明，所构建的轻量化作物分割模型在保持高分割精度的同时大幅降低了模型规模；基于作物剔除后的网格级杂草分类策略，有效提升了阔叶杂草和禾本科杂草的识别性能，并使识别结果能够直接对齐喷头覆盖单元，满足精准喷施对实时性和可执行性的要求。总体而言，该研究实现了杂草识别从“仅具备感知能力”向“可直接服务喷施控制”的转变，为精准农业中视觉识别算法的工程化应用提供了一种可行路径。相关研究结果可为后续在不同作物类型和更大尺度田间环境下开展精准喷施研究提供参考。 

上下滑动查看